Apprentissage automatique

Un article de Wikivisual, l'encyclopédie libre.

L'apprentissage automatique (machine-learning en anglais) est un des champs d'étude de l'intelligence artificielle.

L'apprentissage automatique fait référence au développement, l'analyse et l'implémentation de méthodes qui permettent à une machine (au sens large) d'évoluer et de remplir des tâches associées à une intelligence artificielle grâce à un processus d'apprentissage. Cet apprentissage permet d'avoir un système qui s'optimise en fonction de l'environnement, les expériences et les résultats observés.

Ces évolutions peuvent être des améliorations de la structure d'un système préexistant, des valeurs et données utilisées ou alors la création d'une machine adaptée à la tâche à remplir. Sous le terme de machine, on peut regrouper plusieurs technologies, une liste non exhaustive peut être la suivante :

agent intelligent ("algorithme intelligent")
robot
machine-outil

Bien souvent, l'intelligence artificielle est associée à un système informatique ou électronique sous-jacent dans la machine. Cette théorie est donc intimement liée à l'algorithmique, les mathématiques mais également aux neurosciences, la biologie et la psychologie afin de répliquer ce qui se fait dans les êtres vivants.

[modifier] Types d'apprentissage

Les algorithmes d'apprentissage peuvent se catégoriser selon le type d'apprentissage qu'ils emploient:

L'apprentissage supervisé : un expert (ou oracle) est employé pour étiqueter correctement des exemples. L'apprenant doit alors trouver ou approximer la fonction qui permet d'affecter la bonne étiquette à ces exemples. L'analyse discriminante linéaire ou les SVM sont des exemples typiques.
L'apprentissage non-supervisé : Aucun expert n'est disponible. L'algorithme doit découvrir par lui-même la structure des données. Le clustering et les modèles à mélange de gaussiennes sont des algorithmes d'apprentissage non supervisés.
L'apprentissage par renforcement : l'algorithme apprend un comportement étant donné une observation. L'action de l'algorithme sur l'environnement produit une valeur de retour qui guide l'algorithme d'apprentissage.

Les algorithmes que l'on rencontre le plus souvent dans ce domaine sont :

les réseaux de neurones pour un apprentissage supervisé ou non-supervisé
la méthode des k plus proches voisins pour un apprentissage supervisé
les machines à vecteur de support
les méthodes statistiques comme par exemple le modèle de mixture gaussienne
les arbres de décision
la régression logistique
l'analyse discriminante linéaire
la logique floue
les algorithmes génétiques et la programmation génétique

Ces méthodes sont souvent combinées pour obtenir diverses variantes d'apprentissage. L'utilisation de tel ou tel algorithme dépend fortement de la tâche à résoudre (classification, estimation de valeurs, etc.). L'apprentissage automatique est utilisé dans un spectre très large d'applications: moteur de recherche, aide au diagnostique, bio-informatique, détection de fraudes, analyse des marchés financiers, reconnaissance de la parole, de l'écriture manuscrite, analyse et indexation d'images et de vidéo, robotique...

[modifier] Bibliographie

Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 0198538642
Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, ISBN 0471056693
Antoine Cornuéjols, Laurent Miclet, Yves Kodratoff (2002) Apprentissage Artificiel: Concepts et algorithmes, Eyrolles, ISBN 2-212-11020-0
Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, ISBN 3-540-31681-7 [1]
KECMAN Vojislav (2001), LEARNING AND SOFT COMPUTING, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., ISBN 0-262-11255-8 [2]
MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms, Cambridge University Press. ISBN 0521642981
Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0070428077
Sholom Weiss and Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5